MétaCan
Menu
Retour à la cohorte
Enregistrement W3089029 · doi:10.3233/978-1-61499-488-6-291

Using Personal Health Records to Scaffold Perceived Self-Efficacy for Health Promotion

2015· article· en· W3089029 sur OpenAlexaff
Helen Monkman, André Kushniruk

Notice bibliographique

RevueStudies in health technology and informatics · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueCommunity Health and Development
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésPersuasionHealth promotionSelf-efficacyPromotion (chess)Health carePsychologyHealth belief modelMedicineKnowledge managementSocial psychologyNursingComputer sciencePublic health

Résumé

récupéré en direct d'OpenAlex

According to Bandura (1977), believing in one's ability to achieve a goal is one of the best predictors that a goal will be accomplished. Given its predictive power, the concept of belief in one's ability to succeed, or perceived self-efficacy, is well researched for its influence on health promotion. It has been argued that a paradigm shift must occur away from illness treatment towards illness prevention and health promotion, for healthcare to accommodate the needs of the population. Personal Health Records (PHRs) may be a tool to help facilitate this paradigm shift. PHRs are repositories of information that individuals can use to access, manage, and share their personal health information. An extension of Bandura's model of self-efficacy will be presented here which identifies opportunities for PHRs to enhance perceived self-efficacy through mastery, social modeling, social persuasion, and physiological state. Bolstering self-efficacy through PHR tools will expand the utility of PHRs beyond self-management to also facilitate health promotion and illness prevention and gains in self-efficacy are also likely to transcend into other areas of consumers' lives.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,369
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,333
Tête enseignante GPT0,531
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStudies in health technology and informaticsMême sujetCommunity Health and DevelopmentTravaux en français237 207